最新要闻

广告

手机

昌景黄高铁全线接触网送电成功

昌景黄高铁全线接触网送电成功

美农生物8月23日盘中涨幅达5%

美农生物8月23日盘中涨幅达5%

家电

5家车企300城市,新势力内卷NOA,在拿车主练什么

来源:路咖汽车

小鹏、理想、极狐、智己……越来越多的车企开始布局城市NOA,但这些企业纷纷布局NOA却让消费者搞的云里雾里,这些车企如此着急的推出城市NOA,是想要消费者成为什么样的“小白鼠”?

城市NOA大战即将打响,就在今年上半年,理想、小鹏、华为纷纷宣布要在2023年大量推送城市NOA功能,其实,像小鹏早就在去年9月向少量车主推送了城市NGP功能,开启了城市NOA的内测。最近一段时间,这些车企都开始宣布了到年底的NOA推送计划,可以说各家的计划一个比一个激进。

华为宣布将在年底把NOA功能推广到45个城市,小鹏就宣布推送50个城市,理想在前段时间更是直接将目标定在了100个,智己则直接拉到了333个城市,如此激进的目标,不但让人怀疑能否完成,更让用户疑惑的是,车企为什么这么急?城市NOA尚不成熟就如此大张旗鼓的推送,到底车企想要拿消费者练什么?


【资料图】

高精度地图限制大,各家技术路线逐渐趋同

高精度地图更新缓慢,是车企发展自动驾驶面临的困难,也是集体转向重感知自动驾驶的根本原因。

目前,多家品牌都已经宣布了自己NOA功能的方案,早在3月底,小鹏就已经在上海、深圳、广州三城开放了点到点的城市NGP功能,但此时的NGP还而以高精度地图为主,但小鹏后来在在CVPR 发表的演讲上可以看出,小鹏目前的布局是利用激光雷达做一些通用障碍物识别,主要还是以视觉感知BEV网络进行训练。

理想则在1月份的全员信中就提到,理想也将基于BEV感知和Transformer模型,从而实现更多城市NOA的落地,降低对高精度地图的依赖。百度也已经在ANP 3.0上支持无图识别红绿灯,该功能也是基于“BEV环视三维感知”技术。蔚来也已经宣布自家智能驾驶感知将切换到BEV模型。近期智己也公布了城市NOA的落地布局,直接表示了早在2021年智己就已经实现了BEV和Transformer架构技术落地。

可以看到这些技术的背后,基本都基于了BEV和Transformer模型……可以说,车企们纷纷掉头转向用重感知的方案,所有接下来就能很好的理解,车企为何如此着急覆盖更多城市。

开多少城并不重要,你所在城市的驾驶数据才是重点

重感知的一切都基于一个大模型,数据量成为滚雪球的基础,但车企真正要拿到的是用户所在各地差异化的驾驶数据。

车企纷纷将重心放在了感知能力上,逐渐轻高精度地图,其中就是当下的城市NOA严重受到高精度地图的“枷锁”,正如智己在发布会上所讲,高精度地图自身是一个好技术,但是城市的发展比较快,随着道路施工、道路改变,每一次变化都会使得高精度地图上增加一个断点,而随着时间的推移,断点越来越多,依赖高精度地图的自动驾驶体验连续性就会下降,而高精度地图的还要面临更新慢的问题,这就使得各家转向了感知为主的自动驾驶能力。

而当下车企采用的Transformer模型和BEV,正是在2021年特斯拉AI Day上,Andrej Karpathy宣告的基于Transformer将摄像头感知到的2D图像转化为汽车周围环境鸟瞰图“BEV”,ChatGPT也是基于Transformer大模型而成的。

所以当下的国产车企主推的的重感知轻地图的城市NOA功能,都是看到特斯拉引入Transformer大模型和BEV后的效果,决定布局这一技术。

既然车企现在选择的重感知自动驾驶策略都以Transformer大模型和BEV为基础,那么它就会和Chant GPT一样,训练究竟需要多少数据量,才会成为普通人眼中的“聪明”?没有人知道,OpenAI也不知道,在ChatGPT不断利用数据量让它更聪明时,他们也惊讶于ChatGPT在经过大量数据训练后,自己变得成为普通人眼中“聪明”的AI这件事。ChatGPT是语言模型,而车企的城市NOA则是视觉模型,所以对于车企来说,究竟要给自家NOA多少数据量进行训练,谁也没谱,只知道,谁的数据多,谁就能最快的完成这件事。

但为何是现在?其实想要做好这一功能,要有足够好的算法,而算法背后,还有数据量的差距,获取数据、标注、训练、迭代,这套系统就会变得越来越好用,正是许多自动驾驶都在布局的双环战略中的数据闭环。此前,车企没有如此快速的动作,是因为标注工作成为了数据量的掣肘,这些车企需要大量人力进行人工标注,标注的效率也相对更低。而后,各家都转而使用了全自动标注系统,大大加快了标注速度,自标注、自学习。对于车企来说,真正的门槛就在数据量上了,弓在弦上,谁发的快,谁就能获得先机。

讲到这,就能看出,车企纷纷加速城市NOA落地,需要的就是海量的用户驾驶数据,当下车企布局的重感知自动驾驶系统,对于数据闭环的要求非常高。正如ChatGPT一样,架构有了,要的就是数据量,由量变引起质变,最终的自动驾驶就会变得足够聪明。就像滚雪球一样,只有足够多的雪花,才能让雪球成为一个雪人。对于各家来说,在自标注自学习的系统投入后,先发优势是后面玩家难以追赶的存在。

另外,在此前智己的公开课上,就能够了解到,给系统投喂了数据后,自动驾驶系统会有类似人类的理解,比如识别红绿灯,除了红灯停车、绿灯通行外,在面对黄灯时,自动驾驶也会做出高速抢行黄灯,低速遇到黄灯减速停车的动作,可以说,车企纷纷抢的数据,就是不同人的不同驾驶习惯,甚至在这背后,有着不同城市的不同驾驶习惯,只要开了这个城市,就可以针对这一城市的驾驶习惯,建立一个规则体系,车到达这个城市时,自动驾驶也会转变驾驶思路,这才是当下车企想要快速开城的本质,练的不仅仅只是对于道路特征的识别,而是从用户手中,获得更多有差异化的数据。

其实这一点从理想发布的通勤NOA中就能够获得一些端倪,让车主提前设置自己的通勤路线,通勤时段通常也是一个城市交通最拥堵时段,在路上的交通参与者性质一展无余,电动车、行人的多少,是否遵守交通规则,当地其他车主是否爱加塞、变道是否更频繁,这些或许是当下在Transformer大模型下需要微调数据的部分,也是自主学习的核心,车企,要打造的是不同城市中更“聪明”的自动驾驶。

写在最后

其实对于车企当下所说的50城、100城的目标并不重要,对于车企来说,需要快速获得大量的数据,首先现将模型跑起来,进行优化,谁能够率先获得大量数据,谁就获得了先发优势,而激进的开城政策,其实都是在获得大量数据后让AI针对不同城市进行差异化训练的准备,对于用户来说,你所在城市的交通情况和习惯,正是车企需要的。

作者丨王宏宇

原文标题 : 5家车企300城市,新势力内卷NOA,在拿车主练什么

关键词: